近年来,随着人们社会安防意识的提高,智能监控系统在世界各地被广泛的部署和应用。行人再识别作为该系统中基础且核心的技术之一,其目的是从非重叠相机视域中捕获的一组图像中检索出感兴趣的行人。行人再识别技术在智慧安防、智能零售和刑侦调查等领域中较高的应用价值,已经引起了学术研究界和工业界的高度重视。然而,面对复杂的实际监控环境,现有的行人再识别技术仍面临着诸多挑战。一方面随着昼夜光线的变化,摄像机在白天捕获可见光图像在晚上捕获红外图像,由此产生两种具有不同性质的模态图像。另一方面从摄像机中提取的行人图片都是不带标注信息的,通过人工完成大量数据标注的工作耗时且繁琐。针对以上两种真实场景,本文分别提出使用图卷积网络和反事实注意力学习方法来解决跨模态和无监督域自适应行人再识别问题。本文的主要研究内容如下:1.针对跨模态行人再识别,本文提出一种新颖的基于全局-局部图卷积网络的方法,通过使用图卷积网络对潜在关系进行建模,学习不同模态下行人图像的判别性特征表示。其中,全局图模块通过图卷积网络建立两种模态下同一身份行人的上下文关系,学习模态间的共性特征,提高两种模态下相同行人图像的相似度。局部图模块是利用图卷积网络建立每个行人不同身体部位间的内在关系图,提取更具判别性的局部特征表示。在两个公开跨模态数据集上的实验数据证明,该方法有效提高了跨模态行人再识别的检索性能。2.针对无监督域自适应行人再识别,本文设计一个新颖的基于反事实注意力学习网络,通过衡量注意力学习的质量对训练过程进行指导优化,促使模型关注更加精准的注意力特征,减少噪声伪标签的生成;其次使用平均教师方法估计教师模型和学生模型输出特征的不一致性,作为目标域行人样本的不确定性分布,通过修正不确定样本进一步提高目标域的识别性能。该方法在多个公开数据集上优异的表现验证了其可以有效提升无监督域自适应行人再识别的性能。